鄭龍鑫，苗敏敏，2，徐寶國，胡文軍，2

1.湖州師范學(xué)院信息工程學(xué)院，浙江湖州 313000；2.浙江省現(xiàn)代農(nóng)業(yè)資源智慧管理與應(yīng)用研究重點實驗室，浙江湖州 313000；3.東南大學(xué)儀器科學(xué)與工程學(xué)院，江蘇南京 210096

前言

腦機接口（Brain Computer Interface,BCI）系統(tǒng)不依賴于外圍神經(jīng)和肌肉組織，通過分析大腦神經(jīng)活動識別人體運動意圖控制外部設(shè)備，提供一種新的人機交互通道［1-3］。在神經(jīng)損傷患者運動康復(fù)及生活輔助［4］、人腦狀態(tài)監(jiān)測［5］等眾多領(lǐng)域有重要應(yīng)用?；陬^皮腦電（Electroencephalogram,EEG）的運動想象BCI可根據(jù)受試者運動意圖控制外部輔助運動或康復(fù)訓(xùn)練設(shè)備［6-7］，持續(xù)刺激患者受損的運動感知反饋回路和初級運動皮層，并借助大腦的可塑性恢復(fù)腦區(qū)功能，在幫助截癱及中風(fēng)患者恢復(fù)基本自主能力方面具有重要的現(xiàn)實意義［8］。

EEG 信號通過腦脊液、頭骨、軟組織和頭皮層層傳導(dǎo)，空間分辨率和頻率范圍受限，信噪比低，具有顯著的非線性非平穩(wěn)特性，造成EEG 特征難以學(xué)習(xí)。共空間模式（Common Spatial Pattern,CSP）常用于提取EEG 信號中區(qū)分度較高的特征向量［9］。然而，CSP對帶通濾波的頻段選擇非常敏感。濾波器組共空間模式（Filter Band Common Spatial Pattern, FBCSP）［10］將一個寬頻帶劃分為多個較小的子頻段，然后使用互信息篩選子頻段的CSP 特征。稀疏濾波器組共空間模式（Sparse Filter Band Common Spatial Pattern,SFBCSP）［11］同樣將一個寬頻帶劃分為多個較小的子頻段，使用稀疏回歸模型提取重要的CSP 特征。在提取出CSP 特征后再使用支持向量機（Support Vector Machine, SVM）、隨機森林和線性判別分析（Linear Discriminant Analysis,LDA）等分類器對特征進行分類。傳統(tǒng)的特征工程算法通常需要人工設(shè)計，嚴重依賴領(lǐng)域知識，并且特征工程和特征分類通常具有不同的目標(biāo)函數(shù)［12］，容易造成信息丟失。深度神經(jīng)網(wǎng)絡(luò)采用層次結(jié)構(gòu)對信息進行分層處理，可充分挖掘EEG 和運動想象語義間的復(fù)雜關(guān)系，從而實現(xiàn)自動特征工程。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）目前廣泛應(yīng)用于運動想象BCI領(lǐng)域中。文獻［13］采用導(dǎo)聯(lián)投射方法獲取運動想象EEG 空間和時序表示，隨后通過混合尺度卷積模塊學(xué)習(xí)抽象特征。文獻［14］首先采用小波核進行第1層的時頻轉(zhuǎn)換，然后通過第2個卷積層進行空間濾波處理。文獻［15］提出一種新的基于電極位置的EEG三維表示用于進行多分支CNN模型訓(xùn)練。文獻［16］提出一種融合時空特征的深度CNN 進行運動想象EEG分類。

盡管深度神經(jīng)網(wǎng)絡(luò)在運動想象EEG 解碼中取得較好結(jié)果，但仍存在以下問題：深度神經(jīng)網(wǎng)絡(luò)具有大量超參數(shù)，并且其優(yōu)良性能建立在精細的參數(shù)調(diào)整上；當(dāng)訓(xùn)練數(shù)據(jù)量不足時，難以提取到具有表征性的特征并容易出現(xiàn)過擬合現(xiàn)象；現(xiàn)有深度神經(jīng)網(wǎng)絡(luò)的復(fù)雜層次結(jié)構(gòu)及大量參數(shù)容易造成模型可解釋性缺失并逐步“黑箱”化。考慮到深度神經(jīng)網(wǎng)絡(luò)的3 個重要成功因素，即逐層處理、模型內(nèi)特征變換和足夠的模型復(fù)雜度，文獻［17］提出了深度森林模型。不同于神經(jīng)網(wǎng)絡(luò)通過反向傳播更新可微非線性模塊參數(shù)，深度森林是一種基于不可導(dǎo)組件的深度學(xué)習(xí)方法，本質(zhì)上是一種新的決策樹集成模型，使用堆疊結(jié)構(gòu)逐層進行表征學(xué)習(xí)，挖掘深層次的抽象特征表達。相較于深度神經(jīng)網(wǎng)絡(luò)，深度森林模型超參數(shù)較少，不需要根據(jù)反向傳播算法進行表示學(xué)習(xí)，同時其性能對于超參數(shù)設(shè)置具有較好的魯棒性。此外，深度森林模型的結(jié)構(gòu)無需預(yù)先設(shè)置，其模型復(fù)雜度由訓(xùn)練數(shù)據(jù)規(guī)模自適應(yīng)確定，因此該模型適用于不同規(guī)模的數(shù)據(jù)集，目前在推薦系統(tǒng)、癌癥疾病診斷、故障診斷等方面取得了與深度神經(jīng)網(wǎng)絡(luò)相當(dāng)?shù)男Ч?8］，但在運動想象EEG解碼方面的研究及應(yīng)用相對較少。

深度森林是由多粒度掃描模塊和級聯(lián)森林結(jié)構(gòu)組成的一種典型集成學(xué)習(xí)模型，增加輸入特征多樣性及互補性是提升集成分類器性能的關(guān)鍵手段。多視角學(xué)習(xí)技術(shù)利用互補原則或共識原則，被廣泛應(yīng)用于EEG 信號的癲癇檢測中［19］?？紤]到運動想象EEG 具有顯著的空間-頻率-時間域特性，本文首先通過子頻帶濾波及時間窗口劃分對原始信號進行細粒度分析和局部能量特征生成，并對特征進行稀疏選擇保留重要特征；同時，為了進一步提升時序感知和表示學(xué)習(xí)能力，對上述EEG 時頻能量特征矩陣按時間軸進行掃描得到先驗類別知識；隨后，將淺層能量特征和掃描所得的先驗類別特征進行組合構(gòu)造出多視角特征集；最后，使用級聯(lián)森林的逐層特征變換挖掘深層次的抽象特征用于分類識別。根據(jù)BCI 競賽數(shù)據(jù)集和實際采集的運動想象EEG 數(shù)據(jù)集對本文所提出的多視角深度森林（Multi View Deep Forest,MVDF）進行測試，通過與相關(guān)的深度神經(jīng)網(wǎng)絡(luò)方法對比，驗證本文方法的有效性。

1 數(shù)據(jù)集與預(yù)處理

實驗數(shù)據(jù)包含第Ⅱ?qū)肂CI 競賽數(shù)據(jù)集Ⅲ和第Ⅳ屆BCI 競賽數(shù)據(jù)集2b 以及1 個自行采集的數(shù)據(jù)集，3個數(shù)據(jù)集的詳細描述見表1。

表1 實驗數(shù)據(jù)集組成和描述Table 1 Composition and description of experiment datasets

第Ⅱ?qū)肂CI 競賽數(shù)據(jù)集Ⅲ記錄了1 位25 歲女性受試者左右手運動想象EEG 信號，采集分為7 個階段，每個階段進行40 次試驗，共計280 次試驗。每次試驗共持續(xù)9 s，實驗開始的前2 s 為休息時間，2～3 s屏幕出現(xiàn)“+”號提示，3～9 s受試者根據(jù)屏幕上的箭頭指向進行運動想象。第Ⅳ屆BCI競賽數(shù)據(jù)集2b 采集自9名右利手、視覺良好的受試者。EEG 信號采樣頻率為250 Hz，經(jīng)過0.5～100.0 Hz 的帶通濾波處理和50 Hz 的陷波濾波處理。該數(shù)據(jù)集的訓(xùn)練數(shù)據(jù)集合中共包含3 個階段，其中前兩個階段無反饋，后一個階段包含反饋。在無反饋階段，每次試驗均以“+”號和聲學(xué)提示開始，在第3 秒時隨機顯示持續(xù)1.25 s 向左或右的箭頭，4～7 s 間受試者根據(jù)指示進行運動想象。每個階段均采集左右手運動想象EEG 樣本120個（左、右手各60 個），兩個階段共包含240 個樣本。在有反饋階段，試驗開始時出現(xiàn)灰色笑臉，在3.0～7.5 s，受試者需根據(jù)箭頭指示進行左右手運動想象以完成指定的任務(wù)。本文使用上述3 個階段內(nèi)的EEG 數(shù)據(jù)進行算法性能評估，樣本總量為400。

本文進一步選用Neuroscan 公司生產(chǎn)的SynAmps Ⅱ型EEG 采集系統(tǒng)并根據(jù)國際標(biāo)準(zhǔn)10/20放置電極，采集左右手運動想象EEG。EEG 采樣頻率為1 000 Hz，經(jīng)過0.5～200.0 Hz的帶通濾波處理，為了降低計算開銷，將原始EEG 降采樣至100 Hz。該數(shù)據(jù)集共包含5名被試者，每一名被試者在同一天內(nèi)共進行4 個階段的運動想象實驗，每個階段包含左、右手運動想象任務(wù)各20 個，因此每一名被試者的樣本總量為160。在每一次試驗中，前4 s 為休息時間，4～5 s 為提示準(zhǔn)備時間，5～9 s 內(nèi)被試者根據(jù)視覺指示完成運動想象任務(wù)。

2 研究方法

深度森林是一種決策樹森林的集成模型，包含多粒度掃描模塊和級聯(lián)森林兩部分［17］，通過多粒度掃描模塊增強特征的多樣性，并利用級聯(lián)森林增加模型的復(fù)雜度［20］。

2.1 掃描模塊

圖1 所示為二分類場景下的掃描模塊示意圖。假設(shè)輸入樣本的特征尺寸為5×7，使用滑動窗口掃描原始特征，每一次掃描提取的特征被稱為1 個示例，示例具有與原始特征一樣的類別標(biāo)簽?；瑒哟翱诘拇笮≡O(shè)為1×7，采用無重疊窗口的移動方式，每次向下移動1 個單位，則得到5 個示例。假設(shè)訓(xùn)練數(shù)據(jù)集中共有N個樣本，經(jīng)過上述掃描操作共得到N×5 個示例。將所得的所有示例用于隨機森林（Random Forest, RF）及完全隨機森林（Complete Random Forest,CRF）模型的訓(xùn)練。訓(xùn)練完畢后，針對單個輸入樣本，RF 及CRF均會生成5 個二分類概率向量，最終拼接為尺寸為20×1的特征向量。

圖1 掃描結(jié)構(gòu)（二分類場景）Figure 1 Scanning structure(two classification scenarios)

2.2 級聯(lián)森林

級聯(lián)森林的結(jié)構(gòu)如圖2 所示。中間層接受上一層的輸出特征，并將處理后的結(jié)果和原始特征拼接繼續(xù)輸出至下一層。為了增強特征的多樣性，每一層都包含相同數(shù)量的RF 和CRF，兩者的差異在于決策樹的分枝策略。RF 隨機選擇d個特征（d是輸入特征的維數(shù)）并選擇基尼不純度下降最大的特征進行分枝，而CRF 則隨機選擇任意一個特征屬性進行分枝。級聯(lián)森林中每個森林是多棵決策樹的集合，并且每棵決策樹會生長到每個葉子結(jié)點只包含相同類別的示例或不超過指定數(shù)量的示例。

圖2 級聯(lián)森林Figure 2 Cascade forest

給定一個示例，則它所在葉子節(jié)點中可能包含同一類別或不同類別的訓(xùn)練樣本。計算該示例所在葉子節(jié)點中不同類別樣本的占比，然后平均同一個森林中所有決策樹的類分布概率，最終得到所在森林的類別分布估計［21］。每個森林都使用k折交叉驗證降低過擬合的風(fēng)險，最后輸出的類向量是k次實驗的均值。當(dāng)級聯(lián)森林拓展新層級時，會使用驗證集評估整個級聯(lián)森林的分類效果。如果當(dāng)前模型效果沒有顯著提升，則會停止生長［17］。因此，級聯(lián)森林的層級是自適應(yīng)的，可適應(yīng)不同規(guī)模的數(shù)據(jù)集。

2.3 運動想象EEG空時頻特征生成

運動想象BCI系統(tǒng)具有明顯對側(cè)效應(yīng)的事件相關(guān)去同步（Event-Related Desynchronization,ERD）和事件相關(guān)同步（Event-Related Synchronization,ERS）現(xiàn)象，表現(xiàn)為EEG信號節(jié)律成分的短暫振幅衰減和增強?，F(xiàn)有研究表明，ERD/ERS現(xiàn)象通常出現(xiàn)在初級運動皮層，且考慮到具備高實用性的BCI系統(tǒng)需采用少量電極［22］，使用C3和C4導(dǎo)聯(lián)的信號生成空時頻特征。選擇固定時間窗口和滑動步長對EEG數(shù)據(jù)進行時序切分。然后，針對單一電極導(dǎo)聯(lián)特定時間窗口內(nèi)的EEG 信號進行子頻帶濾波，在4～40 Hz寬頻段內(nèi)，設(shè)置子頻帶寬度為4 Hz，滑動步長為2 Hz，共得到17個重疊的子頻帶。針對單一電極導(dǎo)聯(lián)特定時間窗口內(nèi)的任一子頻帶，分別計算其EEG能量特征，流程如圖3所示。

圖3 特征生成流程圖Figure 3 Flowchart of feature generation

其中，X為EEG 信號。最后，將C3 和C4 空間電極導(dǎo)聯(lián)處不同子頻帶內(nèi)的能量特征進行橫向拼接，并按時間軸進行縱向擴展，得到最終的特征矩陣。

2.4 MVDF

基于生成的原始空時頻特征矩陣，本文提出一種融合淺層能量特征和先驗類別特征的多視角特征學(xué)習(xí)方法，進一步利用深度級聯(lián)森林進行逐層特征變換挖掘深層次的抽象特征進行分類識別，具體模型如圖4所示。

圖4 多視角深度森林模型結(jié)構(gòu)圖Figure 4 Structure of multi view deep forest model

原始的空時頻特征矩陣中包含多個子頻帶及時間窗口內(nèi)的能量特征，考慮到ERD/ERS 現(xiàn)象通常出現(xiàn)在局部的子頻帶及時間段內(nèi)，因此原始特征矩陣中的特征元素在重要性方面存在較大差異，并且包含較多的冗余特征?；谝陨戏治?，針對淺層的局部空時頻能量特征，本文利用LASSO 模型進行屬性重要性度量及特征選擇。LASSO 模型使用l1正則化約束模型的復(fù)雜度，具體如公式（2）所示：

其中，β為回歸系數(shù)，參數(shù)φ決定回歸系數(shù)被壓縮的程度，通過上式可將較小的回歸系數(shù)壓縮至0并刪除系數(shù)為0的冗余特征。

使用掃描模塊進行特征轉(zhuǎn)化，獲得樣本的先驗類別特征。本文根據(jù)尺寸為1×34 的窗口獲取示例，在時間維度上按照步長為l 的設(shè)置進行滑動，利用所得示例訓(xùn)練RF 和CRF 并生成類別概率特征。最后，將掃描模塊輸出的類別概率特征和經(jīng)過選擇后的淺層空時頻能量特征進行拼接，輸入到級聯(lián)森林。實際分類應(yīng)用中包含訓(xùn)練和測試兩個過程，表2是本文模型的訓(xùn)練和測試詳細過程。

表2 MVDF模型的訓(xùn)練及測試過程Table 2 Training and testing processes of multi view deep forest model

本文的MVRF 模型中的掃描模塊包含1個RF和CRF，2 個森林都由樹深為4 的30 棵決策樹組成。針對級聯(lián)森林部分，每一層由2 個RF 和2 個CRF 組成，每個森林包含深度為4 的50 棵決策樹。對于一個二分類任務(wù)，每一個森林會輸出一個二維的類別概率向量，4 個森林所生成的4 個類別概率向量會與原始特征拼接輸入到下一層，并對最后一層輸出結(jié)果進行求均值及最大值操作得到最終的分類預(yù)測標(biāo)簽。

2.5 模型可解釋性

可解釋性是評價人工智能模型性能的重要指標(biāo)。MVRF模型是一種決策樹森林集成算法，本文采用決策樹模型可視化及特征重要性評價等分析手段研究模型可解釋性。CART 決策樹選擇基尼不純度下降最大的特征進行分枝，單一節(jié)點的基尼不純度計算公式為：

其中，D為此節(jié)點處的樣本集合，Ck為集合D中屬于第k類的樣本子集，K為類別總數(shù)，|· |為取得集合內(nèi)樣本個數(shù)的操作。假設(shè)樣本集合D根據(jù)特征屬性A切分為子集Dl和Dr，切分之后的基尼不純度計算公式為：

在單一節(jié)點上遍歷所有特征，選擇使得Gini(D) - Gini(D|A)最大的特征，即為該節(jié)點的最優(yōu)分裂特征。假設(shè)節(jié)點D根據(jù)特征A分枝，則節(jié)點D的基尼不純度下降為ΔΦ(D)，計算公式為：

其中，N為總樣本數(shù)，|D|為節(jié)點D的樣本數(shù)，|Dl|和|Dr|分別為節(jié)點D分枝后左子樹和右子樹的樣本數(shù)。設(shè)決策樹T中按照特征A進行分枝的節(jié)點集合為V，特征A在決策樹T上的基尼不純度減少總和為GD(T,A)，則特征A在RF 上的重要性評價指標(biāo)GI(A)即為特征A在所有決策樹上基尼不純度減少量的總和［23］，GD(T,A)和GI(A)的計算公式分別為：

公式（7）中Q為RF所包含的決策樹的集合。

3 結(jié)果與分析

3.1 第Ⅱ?qū)肂CI競賽數(shù)據(jù)集Ⅲ結(jié)果分析

針對該數(shù)據(jù)集，考慮到ERD/ERS 現(xiàn)象的觸發(fā)具有一定的滯后性并持續(xù)較短時間［8］，本文選取指示標(biāo)志出現(xiàn)后的1.0～3.5 s數(shù)據(jù)段進行分析，設(shè)置時間窗口為0.5 s、步長為0.5 s 進行時序掃描，通過子頻帶濾波及空時頻能量特征提取生成尺寸為5×34的原始特征矩陣，LASSO 回歸正則化系數(shù)φ設(shè)置為0.08，使用140 個樣本的訓(xùn)練集進行MVDF 模型訓(xùn)練，并使用140個樣本的測試集進行分類識別準(zhǔn)確率計算。

為了有效評估MVDF 算法的性能，針對性地選取應(yīng)用于該數(shù)據(jù)集幾種代表性的CSP 方法、深度學(xué)習(xí)算法以及競賽優(yōu)勝者進行比較。對比算法包括CSP、FBCSP 和SFBCSP，文獻［24］中的CNN、堆疊自編碼器（Stacked Auto Encoder, SAE）和CNN-SAE，第Ⅱ?qū)肂CI 競賽第1 名以及文獻［25］中的卷積深度信念網(wǎng)絡(luò)（Convolutional Deep Belief Network, CDBN）。CSP方法中將C3、Cz 和C4 導(dǎo)聯(lián)的原始信號進行4～40 Hz的帶通濾波處理然后提取CSP 特征進行分類，F(xiàn)BCSP方法使用與本文相同的子頻段提取C3、Cz 和C4 導(dǎo)聯(lián)的CSP 特征并挑選互信息最高的16 個特征進行分類，SFBCSP 方法中同樣使用與本文相同的子頻段提取C3、Cz 和C4 導(dǎo)聯(lián)特征，然后使用正則化系數(shù)φ為0.01的LASSO 模型提取特征進行分類。可以看到，MVDF算法的分類準(zhǔn)確率達到91.4%，高于傳統(tǒng)的CSP、FBCSP 和SFBCSP 方法，并且高于CNN（89.3%）、SAE（60%）、CNN-SAE（90%）及CDBN（88.2%）等4 種深度神經(jīng)網(wǎng)絡(luò)算法以及第Ⅱ?qū)肂CI 競賽第1 名（89.3%），驗證了本文算法的有效性。

本文進一步根據(jù)該數(shù)據(jù)集進行模型可解釋性分析，具體根據(jù)掃描模塊中的RF 模型進行空頻特征重要性評估。RF使用有放回抽樣，任意樣本被選中t次的概率服從λ= 1的泊松分布，計算公式為：

其中，t為一次實驗內(nèi)樣本被抽中的次數(shù)，1-(1/e) ≈0.632 為1 次實驗內(nèi)樣本被抽中的平均發(fā)生率。根據(jù)上式，任一樣本至少被選中1次的概率為1-(1/e) ≈0.632。因此，在對隨機森林的基分類器決策樹進行訓(xùn)練時，約有36.8%的原始樣本未被使用。

圖5 是RF 某棵決策樹的可視化結(jié)果，實驗中RF的輸入示例數(shù)為700（5×140），140為訓(xùn)練樣本數(shù)，5為時間窗口數(shù)，圖中決策樹的訓(xùn)練使用了434個不重復(fù)示例，約38%的示例未被使用。圖中的samples 代表該節(jié)點包含的不重復(fù)的示例數(shù)，gini代表該節(jié)點的基尼不純度，value是該節(jié)點對應(yīng)類別的示例數(shù)，class為節(jié)點對應(yīng)的類別標(biāo)簽。從圖中可以觀察到，該決策樹的根節(jié)點利用C3 電極導(dǎo)聯(lián)的8～12 Hz 頻段內(nèi)的能量特征作為分枝特征。根節(jié)點的左子樹使用的分枝特征為C4 電極導(dǎo)聯(lián)的10～14 Hz 頻段內(nèi)的能量特征，對應(yīng)的閾值為-7.63，該節(jié)點包含235 個不重復(fù)示例，類別1和2對應(yīng)的示例數(shù)（含重復(fù)）分別為119和252，根據(jù)多數(shù)投票規(guī)則，該節(jié)點對應(yīng)的類別為2。針對C4電極導(dǎo)聯(lián)的10～14 Hz 頻段內(nèi)的能量這一特征，根據(jù)式（5）、式（6）可計算出它在該決策樹中的特征重要性為0.073。進一步根據(jù)式（5）～式（7）對C3 和C4 電極導(dǎo)聯(lián)的17 個子頻段內(nèi)的能量特征計算其在RF 中的特征重要性，圖6 所示為重要性排名前20 的特征。從圖中可以看到，C3 和C4 導(dǎo)聯(lián)處的8～12 Hz 和10～14 Hz頻段內(nèi)的能量特征重要性較高，而8～14 Hz主要覆蓋了與左右手運動想象任務(wù)緊密相關(guān)的運動感知μ節(jié)律［5,8］，一方面說明模型能自適應(yīng)地選擇重要特征，另一方面也表明模型的參數(shù)具有良好的神經(jīng)生理學(xué)解釋。

圖5 決策樹可視化圖Figure 5 Visualization of decision tree

圖6 特征重要性分布圖Figure 6 Distribution of feature importance

3.2 第Ⅳ屆BCI競賽數(shù)據(jù)集2b結(jié)果分析

針對該數(shù)據(jù)集，采用每名被試者的10×10折交叉驗證的平均分類準(zhǔn)確率評估算法性能。選取C3 和C4 導(dǎo)聯(lián)處3.5～7.0 s 內(nèi)的信號作為實驗數(shù)據(jù)，按照時間間隔1 s、步長0.5 s 劃分得到6 個時間段進行空時頻能量特征提取，并進行零均值規(guī)范化處理生成尺寸為6×34 的原始特征矩陣，LASSO 回歸正則化系數(shù)設(shè)置為0.01。使用兩種單視角特征對比，驗證多視角特征的有效性，分別為：（1）先驗類別特征+級聯(lián)森林；（2）淺層能量特征+級聯(lián)森林。此外，對比算法還包括3.1節(jié)相同的CSP、FBCSP和SFBCSP方法，CNN和SAE 兩種典型的深度神經(jīng)網(wǎng)絡(luò)算法，具體比較結(jié)果如表3 所示。從表3 中可以觀察到，MVDF 算法在4 名被試者上取得了最優(yōu)的分類識別結(jié)果，相較與先驗類別及淺層能量等單視角特征，平均分類準(zhǔn)確率分別提升了1.2%和0.4%，說明多視角特征能增加特征多樣性并提高分類準(zhǔn)確率。此外，相較于CNN 和SAE 這兩種典型的深度神經(jīng)網(wǎng)絡(luò)模型，MVDF 的平均分類準(zhǔn)確率分別提升了0.4%和17.5%。因此，相比于單一的深度神經(jīng)網(wǎng)絡(luò)模型，本文算法能取得持平甚至更優(yōu)的分類效果。

表3 不同被試者和不同方法下的準(zhǔn)確率（%）Table 3 Accuracy rates of different methods for different subjects(%)

3.3 實際采集數(shù)據(jù)集結(jié)果分析

針對該數(shù)據(jù)集，同樣采用每名被試者的10×10折交叉驗證的平均分類準(zhǔn)確率評估算法性能。選取C3和C4 導(dǎo)聯(lián)處5.5～9.0 s 內(nèi)的信號作為實驗數(shù)據(jù)，按照時間間隔1 s、步長0.5 s 劃分得到6 個時間段進行空時頻能量特征提取，并進行零均值規(guī)范化處理，生成尺寸為6×34 的原始特征矩陣，LASSO 回歸正則化系數(shù)φ設(shè)置為0.01。對比算法同樣包括了與3.1 節(jié)相同的CSP、FBCSP和SFBCSP方法，先驗類別特征+級聯(lián)森林、淺層能量特征+級聯(lián)森林、CNN 和SAE，具體比較結(jié)果如表4 所示。從表4 中可以看到，MVDF 算法相較與先驗類別及淺層能量等單視角特征，平均分類準(zhǔn)確率分別提升了1.3%和0.3%，說明使用具有互補性的多視角特征能有效增強分類性能。此外，相較于CNN 和SAE 兩種典型的深度神經(jīng)網(wǎng)絡(luò)模型，MVDF 的平均分類準(zhǔn)確率分別提升了4%和14.5%，在該數(shù)據(jù)集上所提算法優(yōu)勢較為明顯。除了分類準(zhǔn)確率，模型的計算開銷是評估模型性能的另外一個重要指標(biāo)，基于該數(shù)據(jù)集的一次驗證過程進行了程序耗時統(tǒng)計。MVDF 算法主要包含3個計算單元，即原始特征矩陣掃描（0.094 s）、原始特征矩陣LASSO選擇（0.002 s）和級聯(lián)森林訓(xùn)練（0.880 s），級聯(lián)森林訓(xùn)練所占的時間最長，3 部分的總耗時僅為0.976 s，因此MVDF算法適用于實時計算。

表4 不同被試者和方法下的準(zhǔn)確率（%）（實際采集數(shù)據(jù)集）Table 4 Accuracy rates of different methods for different subjects(%)(pratical dataset)

4 結(jié)論

本文提出的MVDF運動想象EEG解碼算法，通過融合多示例先驗類別知識和重要的空時頻淺層能量特征構(gòu)建EEG多視角特征集，并采用深度級聯(lián)森林進行逐層變換挖掘深層次的抽象特征進行分類，為運動想象EEG信號識別提供了一個新方向。多個數(shù)據(jù)集的實驗結(jié)果表明，多視角特征能有效增強表示學(xué)習(xí)能力，相較于幾種典型的CSP、FBCSP和SFBCSP方法以及深度神經(jīng)網(wǎng)絡(luò)算法，MVDF能取得持平甚至更優(yōu)的分類效果且計算效率更高、可解釋性更強。